Federated Fuzzy Neural Network with Evolutionary Rule Learning
ShanghaiTech University（上海科技大学）
分布式模糊神经网络（DFNN）由于其在处理分布式场景中的数据不确定性方面的学习能力，近年来受到越来越多的关注。然而，对于DFNN来说，处理局部数据是非独立和同分布（非IID）的情况是具有挑战性的。在本文中，我们提出了一个联邦模糊神经网络（FedFNN）与进化规则学习（ERL），以应付非IID问题以及数据的不确定性。FedFNN在服务器中维护一组全局规则，并为每个本地客户端维护这些规则的个性化子集。ERL受到生物进化理论的启发;它鼓励规则变化，同时激活高级规则，并对具有非IID数据的本地客户端停用低级规则。具体地说，ERL由两个阶段的迭代过程：一个规则合作阶段，更新全局规则的激活状态的基础上聚合的本地规则和规则进化阶段，进化的全局规则和更新的激活状态的本地规则。该过程改进了FedFNN的泛化和个性化，以处理非IID问题和数据不确定性。在一系列数据集上进行的大量实验表明，FedFNN优于最先进的方法。
2022-10-26 cs.LG cs.NE
Rule-based Evolutionary Bayesian Learning
The Alan Turing Institute（艾伦·图灵研究所）；Imperial College London（帝国理工学院）；Newcastle University（纽卡斯尔大学）
在我们以前的工作中，我们介绍了基于规则的贝叶斯回归，这是一种利用两个概念的方法：（i）贝叶斯推断，用于一般框架和不确定性量化;（ii）基于规则的系统，用于将专家知识和直觉结合起来。由此产生的方法创建了一个惩罚相当于一个共同的贝叶斯先验，但它也包括信息，通常不会在一个标准的贝叶斯上下文中。在这项工作中，我们扩展了上述方法与语法进化，符号遗传编程技术，我们利用自动化的规则的推导。我们的动机是，语法进化可以潜在地检测模式的数据与有价值的信息，相当于专家知识。我们说明了使用基于规则的进化贝叶斯学习技术，将其应用到合成以及真实的数据，并检查点预测和相关的不确定性方面的结果。
2022-02-28 cs.LG cs.NE stat.ML
X-KAN: Optimizing Local Kolmogorov-Arnold Networks via Evolutionary Rule-Based Machine Learning
Faculty of Engineering, Yokohama National University（Yokohama国立大学工学部）；Department of Computer Science and Engineering, Southern University of Science and Technology（南方科技大学计算机科学与工程系）
X-KAN通过基于规则的机器学习框架优化局部Kolmogorov-Arnold网络，有效提升复杂和不连续函数的近似精度。
2025-05-20 cs.AI cs.LG cs.NE
Efficient Discovery of Expressive Multi-label Rules using Relaxed Pruning
TU Darmstadt（达姆施塔特工业大学）
能够对标签之间的相关性进行建模被认为是多标签分类中的关键。基于规则的模型能够暴露这样的依赖性，例如，暗示、包容或排除，以可解释和人类可理解的方式。尽管可能的标签组合的数量随着可用标签的数量呈指数级增加，但已经表明，通过利用规则评估措施的某些属性并相应地修剪标签搜索空间，可以有效地诱导头部具有多个标签的规则，这是对局部标签依赖性进行建模的自然形式。然而，实验表明，多标签头不太可能通过现有的方法，由于其限制性学习。为了克服这一限制，我们提出了一个插件的方法，放松现有的方法所使用的搜索空间修剪，以引入更大的多标签头的偏见，从而产生更多的表达规则。我们进一步证明了我们的方法的有效性经验，并表明，它不会带来的训练时间或预测性能方面的缺点。
2019-08-19 cs.AI cs.LG stat.ML
Cooperative Coevolution versus Monolithic Evolutionary Search for Semi-Supervised Tabular Classification
ITIS, Universidad de Málaga（马德里大学信息技术研究所）
本文研究了在极低标签情况下使用轻量基础学习器进行半监督表格分类，提出协同共进化方法（CC-SSL）并对比了单一整体进化基线（EA-SSL）和三个轻量SSL基线。实验显示CC-SSL和EA-SSL在测试MacroF1和准确率上优于轻量基线，但两者在最终测试性能上多为统计平局。
2026-04-01 cs.LG cs.NE
Concise and interpretable multi-label rule sets
Aalto University（阿尔托大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
多标签分类正变得越来越普遍，但并没有太多的注意已经支付给解释性。在本文中，我们开发了一个多标签分类器，可以表示为一组简洁的简单的“如果，然后”规则，因此，它提供了更好的解释性相比，黑盒模型。值得注意的是，我们的方法是能够找到一个小的相关模式，导致准确的多标签分类，而现有的基于规则的分类是短视的，浪费在搜索规则，需要大量的规则，以达到高精度。特别是，我们制定的问题，选择多标签的规则，以最大限度地提高目标函数，它不仅考虑到歧视能力的标签，但也多样性。考虑多样性有助于避免冗余，从而控制解决方案集中的规则数量。为了解决上述最大化问题，我们提出了一个2-近似算法，它依赖于一种新的技术，以采样高质量的规则。除了我们的理论分析，我们提供了一个彻底的实验评估，这表明，我们的方法提供了一个权衡之间的预测性能和可解释性，这是无与伦比的在以前的工作。
2022-11-07 cs.LG
Exploiting Anti-monotonicity of Multi-label Evaluation Measures for Inducing Multi-label Rules
Technische Universität Darmstadt（达姆施塔特工业大学）
利用标签之间的依赖关系被认为是多标签分类的关键。规则能够以人类可理解和可解释的方式暴露标签依赖性，例如含义，包含或排除。然而，在头部中具有多个标签的规则的归纳是特别具有挑战性的，因为对于每个规则必须考虑的标签组合的数量随着可用标签的数量呈指数增长。为了克服这一限制，穷举规则挖掘算法通常使用诸如反单调性或可分解性之类的属性来修剪搜索空间。在本文中，我们研究是否常用的多标签评价指标满足这些属性，因此适合修剪多标签头的搜索空间。
2018-12-14 cs.LG stat.ML
DOST -- Domain Obedient Self-supervised Training for Multi Label Classification with Noisy Labels
本文提出DOST范式，通过领域规则引导的自监督训练检测并纠正噪声标注，使多标签分类模型更符合领域约束，并在大规模数据集上验证其能显著提升性能、抵消标注噪声影响。
2023-08-09 cs.AI cs.LG
Conformal Rule-Based Multi-label Classification
Paderborn University（帕德博恩大学）；Johannes Kepler University（约翰内斯·开普勒大学）；Technical University Darmstadt（达姆施塔特工业大学）
我们提倡使用共形预测（CP）来增强基于规则的多标签分类（MLC）。特别是，我们强调了CP和规则学习的共同利益：规则能够提供CP所需的自然（非）一致性分数，而CP建议了一种校准候选规则评估的方法，从而支持更好的预测和更精细的决策。我们说明了潜在的有用性校准一致性分数在懒惰的多标签规则学习的案例研究。
2020-07-16 cs.LG stat.ML
Low-Cost Labels, Reliable Choices: Rollout-Calibrated Hyper-Heuristics for Job Shop Scheduling
Faculty of Applied Sciences, Macao Polytechnic University（澳门理工学院应用科学学院）；Pazhou Lab (Huangpu), Guangzhou（广州 Pazhou 实验室（黄埔））；College of Animal Science and Technology, Zhongkai University of Agriculture and Engineering（仲恺农业工程学院动物科学与技术学院）；Macao Polytechnic University（澳门理工学院）
提出一种基于Rollout校准的超启发式算法，通过遗憾归一化标签、上下文KNN不确定性估计和门控机制，在低成本标签下实现可靠的选择器，显著降低平均RPD。
2026-05-11 cs.AI cs.LG
Differentiable Rule Induction from Raw Sequence Inputs
Institute of High Performance Computing, Agency for Science, Technology and Research（高性能计算研究所，科技研究局）；National Institute of Informatics（国家信息研究所）；Key Laboratory of High Confidence Software Technologies, School of Computer Science Peking University（高可信软件技术重点实验室，北京大学计算机学院）
本文提出一种结合自监督可微分聚类与新型可微分ILP模型的方法，实现从原始数据中无显式标签泄漏地推导规则。
2026-02-14 cs.AI cs.LG
Learning from Rules Generalizing Labeled Exemplars
在许多应用中，标记的数据并不容易获得，并且需要通过痛苦的人类监督来收集。我们提出了一个规则范例的方法来收集人类的监督，结合规则的效率与实例标签的质量。监督是耦合的，使得它对人类来说是自然的，对学习来说是协同的。我们提出了一种训练算法，通过潜在的覆盖变量联合去噪规则，并通过覆盖和标签变量的软隐含损失来训练模型。去噪后的规则和训练后的模型联合用于推理。对五个不同任务的实证评估表明：（1）我们的算法比现有的几种从干净和有噪声的监督中学习的方法更准确，（2）耦合规则-样本监督在去噪规则方面是有效的。
2020-05-15 cs.CL cs.LG stat.ML
Preference rules for label ranking: Mining patterns in multi-target relations
INESCTEC；LIACS；HasLab, INESC TEC, Departamento de Informática, Universidade do Minho（Minho大学信息学院HasLab, INESC TEC）；DCC - Faculdade de Ciencias, Universidade do Porto（波尔图大学科学学院DCC）；LIACS, Leiden, Netherlands（莱顿大学LIACS）
在本文中，我们研究了两种变体的关联规则的偏好数据，标签排名关联规则和成对关联规则。标签排序关联规则（LRAR）相当于标签排序任务的类关联规则（CAR）。在CAR中，后件是一个类，例子应该属于这个类。在LRAR中，结果是标签的排名。LRAR的生成需要特殊的支持和信心措施，以评估排名的相似性。在这项工作中，我们进行了敏感性分析，这些相似性为基础的措施。我们希望了解哪些数据集从这些措施中受益更多，哪些参数对模型的准确性有更大的影响。此外，我们提出了一种替代类型的规则，成对关联规则（PAR），这是定义为关联规则与一组成对的偏好在随之而来的。虽然PAR可以用作描述性和预测性模型，但它们本质上是描述性模型。实验结果表明，这两种方法的潜力。
2019-03-20 cs.LG stat.ML
Inducing Generalized Multi-Label Rules with Learning Classifier Systems
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；University of Edinburgh（爱丁堡大学）
近年来，多标签分类吸引了大量的研究，其动机是现实生活中的应用，如文本分类和医疗诊断。虽然在这方面的研究很少，学习分类器系统自然非常适合多标签分类问题，其搜索空间通常涉及多个高度特定的小生境。这是我们目前工作背后的动机，它引入了一种通用的多标签规则格式-允许灵活的标签依赖建模，不需要明确的知识来搜索哪些相关性-并将其用作进一步适应通用里根式监督学习分类器系统框架的指南。上述规则格式和框架适应的集成导致了一种新的多标签分类算法，其行为通过一组适当定义的人工问题进行研究。该算法还在一组多标签数据集上进行了全面评估，并发现与其他最先进的多标签分类方法相比具有竞争力。
2015-12-25 cs.LG cs.NE
On the Trade-off Between Consistency and Coverage in Multi-label Rule Learning Heuristics
TU Darmstadt（达姆施塔特工业大学）
最近，一些作者提倡使用规则学习算法来建模多标签数据，因为规则是可解释的，并且可以由领域专家理解、分析或定性评估。许多规则学习算法采用启发式引导搜索来对包含在训练数据中的规则进行建模，并且普遍接受启发式的选择对学习器的预测性能具有显著影响。虽然规则学习算法的性质已经在单标签分类领域进行了研究，但还没有考虑到多标签分类的特殊性的工作。这是令人惊讶的，因为多标签预测的质量通常是根据各种不同的、可能相互竞争的性能指标来评估的，这些指标不能同时由单个学习者进行优化。在这项工作中，我们的经验表明，这是至关重要的权衡不同的规则的一致性和覆盖范围，这取决于多标签措施应通过模型进行优化。基于这些发现，我们强调需要可配置的学习者，可以灵活地使用不同的算法。正如我们的实验所揭示的那样，启发式的选择并不直接，因为搜索局部优化度量的规则通常不会导致全局最大化该度量的模型。
2019-08-08 cs.LG stat.ML
Learning Gradient Boosted Multi-label Classification Rules
TU Darmstadt（达姆施塔特工业大学）；JKU Linz（林茨约翰内斯·开普勒大学）；Paderborn University（帕德博恩大学）
在多标签分类中，预测的评估不如单标签分类直接，已经提出了各种有意义的，尽管不同的损失函数。理想情况下，学习算法应该是针对性能度量的特定选择可定制的。从这个角度来看，提升的现代实现，最突出的是梯度提升决策树，似乎很有吸引力。然而，它们大多限于单标签分类，因此不适合多标签丢失，除非这些是标签方式可分解的。在这项工作中，我们开发了一个泛化的梯度提升框架多输出问题，并提出了一种算法，用于学习多标签分类规则，能够最大限度地减少可分解以及不可分解的损失函数。以著名的汉明损失和子集0/1损失为代表，分析了该方法在合成数据上的能力和局限性，并在多标签基准测试上评估了其预测性能。
2020-06-23 cs.LG stat.ML
Learning Interpretable Rules for Multi-label Classification
Technische Universität Darmstadt（达姆施塔特工业大学）；Universität Paderborn（帕德博恩大学）
多标签分类（MLC）是一个监督学习问题，其中，与标准的多类分类相反，一个实例可以同时与多个类标签相关联。在本章中，我们提倡一种基于规则的多标签分类方法。规则学习算法通常用于不仅对准确预测感兴趣，而且还需要领域专家可以理解，分析和定性评估的可解释理论的情况。理想情况下，通过揭示数据中包含的模式和错误，基于规则的理论在应用领域产生新的见解。最近，一些作者已经开始研究如何基于规则的模型可以用于建模多标签数据。详细讨论这项任务，我们强调了一些问题，使规则学习更具挑战性的MLC比传统的分类。虽然主要集中在我们自己以前的工作，我们也提供了一个简短的概述，在这一领域的相关工作。
2018-12-07 cs.LG stat.ML
Evolving Multi-label Classification Rules by Exploiting High-order Label Correlation
The Air Force Research Laboratory - Munitions Directorate（美国空军研究实验室弹药部）
在多标签分类任务中，每个问题实例同时与多个类相关联。在这种情况下，标签之间的相关性包含有价值的信息，可以用来获得更准确的分类模型。标签之间的相关性可以在不同级别上利用，例如捕获成对相关性或利用高阶相关性。尽管高阶方法更能够对相关性进行建模，但它在计算上要求更高，并且具有可扩展性问题。本文旨在利用高阶标签相关性的标签子集使用监督学习分类系统（UCS）。为了这个目的，标签幂集（LP）的战略和预测聚合的相关标签的集合内的一个看不见的实例被用来增加的LP方法在看不见的标签集的存在下的预测能力。精确匹配率和汉明损失的措施被认为是评估规则的性能和预期的健身值的分类器进行了调查，这两个指标。此外，一个计算复杂性分析所提出的算法。在多个基准数据集上的实验结果与其他著名的基于LP的方法进行了比较，证实了该方法的竞争性能。
2020-07-22 cs.LG stat.ML
FAIR: Filtering of Automatically Induced Rules
Indian Institute of Technology Bombay（印度理工学院孟买分校）；Vizzhy Inc（维兹希公司）
本文提出FAIR算法，利用考虑精度、覆盖率和冲突的子模块目标函数过滤自动归纳规则，在多个ARI方法和文本分类数据集上验证了其优于现有半监督标签聚合与规则过滤方法的性能。
2024-07-04 cs.LG
PCEvo: Path-Consistent Molecular Representation via Virtual Evolutionary
School of Computer Science, Wuhan University（武汉大学计算机学院）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Department of Computing, Macquarie University（麦考瑞大学计算机系）
PCEvo通过虚拟进化学习路径一致的分子表示，提升少样本下的分子表示学习性能。
2026-01-27 cs.AI cs.LG q-bio.BM
PRBoost: Prompt-Based Rule Discovery and Boosting for Interactive Weakly-Supervised Learning
Georgia Tech（佐治亚理工学院）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
弱监督学习（WSL）在解决许多NLP任务的标签稀缺性方面表现出了良好的效果，但手动设计一个全面的，高质量的标签规则集是繁琐和困难的。我们研究了交互式弱监督学习-迭代和自动地从数据中发现新的标记规则以改进WSL模型的问题。我们提出的模型，名为PRBoost，通过迭代的基于规则的规则发现和模型提升来实现这一目标。它使用boosting来识别大错误实例，然后通过提示具有规则模板的预训练LM来从中发现候选规则。候选规则由人类专家判断，接受的规则用于生成互补的弱标签并增强当前模型。对四个任务的实验表明，PRBoost的性能优于最先进的WSL基线高达7.1%，并与完全监督模型弥合了差距。我们的实施可在\url{https://github.com/rz-zhang/PRBoost}上获得。
2022-03-18 cs.CL cs.LG
Optimistic Rates for Learning from Label Proportions
TTIC（芝加哥理工学院）；Google Research（谷歌研究院）；University of Southern California（南加州大学）
研究弱监督LLP问题，证明经典EPRM规则在可实现下收敛快但不可知下失效，提出去偏比例平方损失和EasyLLP规则在两种设定下均达最优样本复杂度的乐观速率。
2024-06-01 cs.AI cs.LG stat.ML
LLEMA: Evolutionary Search with LLMs for Multi-Objective Materials Discovery
Department of Computer Science, Virginia Tech（弗吉尼亚理工学院计算机科学系）；Center of Integrated Nanotechnologies, Sandia National Laboratories（桑迪亚国家实验室集成纳米技术中心）
LLEMA结合大语言模型与进化规则，通过多目标优化提升材料发现效率，实现高命中率和稳定性质的候选材料生成。
2026-03-05 cond-mat.mtrl-sci cs.AI cs.LG
pRSL: Interpretable Multi-label Stacking by Learning Probabilistic Rules
TU Dortmund University（多特蒙德工业大学）
多标签分类中的一个关键任务是对所涉及的类之间的结构进行建模。通过概率和可解释的手段对这种结构进行建模使得能够应用于各种各样的任务，例如zero-shot学习或从不完整数据中学习。在本文中，我们提出了概率规则堆叠学习器（pRSL），它使用概率命题逻辑规则和信念传播相结合的几个潜在的分类器的预测。我们推导出精确和近似推理和学习的算法，并表明pRSL在各种基准数据集上达到了最先进的性能。在这个过程中，我们引入了一个新的多类别的概括的噪声或门。此外，我们报告模拟结果的质量循环的信念传播算法的近似推理在二分噪声或网络。
2021-05-28 cs.LG stat.CO stat.ML
Evolutionary Augmentation Policy Optimization for Self-supervised Learning
Dalhousie University（达尔豪斯大学）；Institute for Big Data Analytics（大数据分析研究所）
本文提出一种进化搜索方法优化自监督学习 pretext task 中的数据增强策略，通过染色体编码增强算子组合寻找最优增强流水线，并验证增强策略选择对 SSL 分类性能具有显著影响。
2023-08-02 cs.AI cs.CV cs.LG
Improved Multi-label Classification with Frequent Label-set Mining and Association
Indian Statistical Institute（印度统计研究所）
多标签（ML）数据同时处理与单个样本相关的多个类别。这导致了几个类重复出现，这表明它们之间存在某种相关性。在这篇文章中，类之间的相关性进行了探索，以提高现有的ML分类器的分类性能。提出了一种新的频繁标签集挖掘方法，从数据的标签集中提取这些相关的类。类的共存（CP）和共存缺失（CA）都被考虑在内。从ML数据中挖掘的规则已被进一步用于将类相关信息纳入现有的ML分类器中。通过使用CP-CA规则的新方法修改ML分类器生成的软分数。定义了确定性和不确定性得分的概念，提出了一种基于确定性得分和CP-CA规则的改进不确定性得分的方法。这已经在10个ML数据集上对三个ML现有分类器进行了实验分析，这些分类器的整体性能得到了大幅提高。
2021-09-22 cs.LG
Towards Interpretable-AI Policies Induction using Evolutionary Nonlinear Decision Trees for Discrete Action Systems
Michigan State University（密歇根州立大学）；Ford Motor Company（福特汽车公司）
黑盒人工智能归纳方法，如深度强化学习（DRL），越来越多地用于为给定的控制任务找到最佳策略。虽然使用黑盒AI表示的策略能够有效地执行底层控制任务并实现最佳闭环性能，但开发的控制规则通常很复杂，既不可解释也不可解释。在本文中，我们使用最近提出的非线性决策树（NLDT）的方法来找到一个分层的控制规则集，试图最大限度地提高开环性能近似和解释的预先训练的黑盒DRL（Oracle）代理使用标记的状态-动作数据集。非线性优化方法的最新进展，使用演化计算，便于找到一个分层的一组非线性控制规则的状态变量的函数，使用一个计算快速的双层优化程序在每个节点的建议NLDT。此外，我们提出了一个重新优化的过程，以提高闭环性能的一个已经派生的NLDT。我们评估我们提出的方法（开环和闭环NLDTs）对不同的控制问题有多个离散的行动。在所有这些问题中，我们提出的方法能够找到相对简单和可解释的规则，每个规则涉及一到四个非线性项，同时与训练有素的黑盒DRL代理相比，实现了同等的闭环性能。本文还提出了一种简化NLDT的后处理方法。所获得的结果是鼓舞人心的，因为他们建议更换复杂的黑盒DRL政策，涉及数千个参数（使他们无法解释）与相对简单的可解释的政策。结果是令人鼓舞的，激励追求进一步的应用所提出的方法在解决更复杂的控制任务。
2021-04-06 cs.LG cs.NE cs.SY
Supervising Unsupervised Learning with Evolutionary Algorithm in Deep Neural Network
IBM Japan（IBM日本）
提出了一种利用进化算法控制深度神经网络中梯度下降无监督学习结果的方法。该算法通过逐点评估神经网络中各个节点的适应度来处理无监督训练模型的交叉问题。标记的训练数据是随机采样的，繁殖过程通过计算它们在不同采样数据集上的一致性程度来选择节点。该方法通过进化过程来监督无监督训练。本文还介绍了一种改进的限制玻尔兹曼机，它在神经网络中的节点之间含有排斥力，有助于将网络节点相互隔离，避免节点在进化过程中的意外退化。将这些新方法应用于文本分类问题，其结果比传统的线性回归算法实现的全监督分类器具有更好的准确性。
2018-03-28 cs.LG cs.NE stat.ML
Using Rule-Based Labels for Weak Supervised Learning: A ChemNet for Transferable Chemical Property Prediction
PNNL（太平洋西北国家实验室）
通过访问大型数据集，深度神经网络（DNN）在图像和语音识别任务中实现了人类水平的准确性。然而，在化学中，数据本身就很小，而且很分散。在这项工作中，我们开发了一种使用基于规则的知识来训练ChemNet的方法，ChemNet是一种用于化学性质预测的可转移和可推广的深度神经网络，它以弱监督的方式从大型未标记的化学数据库中学习。当结合迁移学习方法来预测其他较小的化学性质数据集时，我们发现ChemNet的准确性优于使用传统监督学习训练的当代DNN模型。此外，我们证明了ChemNet预训练方法在CNN（Chemception）和RNN（SMILES2vec）模型上同样有效，这表明这种方法与网络架构无关，并且在多种数据模式中有效。我们的研究结果表明，一个预先训练的ChemNet，结合化学领域的知识，使开发的通用神经网络更准确地预测新的化学性质。
2018-03-18 cs.AI cs.CV cs.LG
One Line To Rule Them All: Generating LO-Shot Soft-Label Prototypes
University of Waterloo（滑铁卢大学）
越来越大的数据集正在迅速推高机器学习的计算成本。原型生成方法的目标是创建一个小的合成观测集，准确地表示训练数据集，但大大降低了从它学习的计算成本。将软标签添加到原型可以允许越来越小的原型集，以准确地表示原始训练数据集。虽然“少于一次”学习的基础工作已经证明了每类少于一次观察的学习的理论可行性，但开发用于生成这种原型的实用算法仍然是一个未探索的领域。我们提出了一种新颖的，模块化的方法，用于生成软标签原型线，即使原型比数据中的类的数量少，仍然保持代表性的准确性。此外，我们提出了分层软标签原型k-最近邻分类算法的基础上，这些原型线。我们表明，我们的方法保持了很高的分类精度，同时大大减少了代表数据集所需的原型数量，即使在处理严重不平衡和困难的数据时也是如此。我们的代码可在https://github.com/ilia10000/SLkNN上获得。
2021-02-15 cs.LG stat.ML
A Fast Interpretable Fuzzy Tree Learner
School of Computer Science（计算机科学学院）；Electronic Engineering University of Essex Colchester, United Kingdom（埃塞克斯大学电子工程学院伦敦郡，英国）；Department of Mathematics Slovak Academy of Sciences Bratislava, Slovakia（数学系斯洛伐克科学院布拉迪斯拉发，斯洛伐克）
本文提出了一种结合贪心算法和模糊逻辑的快速可解释模糊树学习器，以提高计算效率和可解释性。
2025-12-12 cs.LG cs.SC
HyDI: A hybrid Deep Learning-Inductive Logic Programming ensemble for multi-label classification
University of Osnabrück（奥斯纳布吕克大学）
HyDI提出一种结合深度学习与归纳逻辑编程的混合集成架构，用于层次化多标签分类，在ChEBI本体上为314个类别生成规则，提供透明且可解释的分类结果。
2026-09-30 cs.LG cs.LO
Distributed Adaptive Networks: A Graphical Evolutionary Game-Theoretic View
University of Maryland, College Park（马里兰大学帕克分校）；Tsinghua University（清华大学）
分布式自适应滤波被认为是分布式网络数据处理和估计的有效方法。现有的分布式自适应滤波算法大多集中于设计不同的信息扩散规则，而没有考虑分布式网络的自然演化特性。在本文中，我们研究了自适应网络从博弈论的角度和制定的分布式自适应滤波问题作为一个图形进化博弈。该方法将网络中的节点视为参与者，将不同邻居的估计信息的局部组合视为不同的策略选择。我们表明，这种图形进化博弈框架是非常普遍的，可以统一现有的自适应网络算法。在此基础上，作为实例，我们进一步提出了两种误差感知的自适应滤波算法。此外，我们还利用图进化博弈理论分析了自适应网络上的信息扩散过程和系统的进化稳定策略。最后，仿真结果表明，我们的分析和所提出的方法的有效性。
2013-09-11 cs.GT cs.LG
